Sleep Location and Its Association with Caregiver Sleep Quality During Patient Hospital Admission
Notice bibliographique
Résumé
During acute hospitalization, many caregivers decide to stay at the care recipient’s bedside over the course of several days or months, coping with a stressful situation and a poor sleeping environment. Our objective was to characterize caregiver sleep–wake cycles during care recipient hospital admission and test the association between sleep location (home versus hospital) and caregiver sleep. Eighty-six informal caregivers (78.8% female; age 55.47 ± 12.43 years) were recruited. For seven consecutive days, caregivers wore actigraphy devices and filled a sleep diary indicating whether they had slept at the hospital or at home. Caregiver insomnia symptoms, anxiety, and depression along with patient dependence were also assessed. Nighttime total sleep time, wake after sleep onset, sleep efficiency, sleep latency, and fragmentation index were described. Mixed-model analyses were used to evaluate the effect of the overnight location (home versus hospital) on caregiver sleep quality. In total, 38.4% of caregivers exhibited poor objective sleep efficiencies (< 80%), and 43% of caregivers reported having moderate to severe insomnia symptoms. Caregivers mostly slept at the hospital ( n = 53), but some slept at home ( n = 14) or between both locations ( n = 19). Mixed-model analyses using actigraphy showed that caregivers had significantly better sleep quality when resting at home regarding wake after sleep onset, fragmentation index, and sleep efficiency ( p < .05). Caregivers experienced poor sleep quality during care recipients’ hospitalization, specifically when sleeping at the hospital versus sleeping at home. Healthcare workers should ensure caregivers’ well-being and strongly encourage caregivers to rest at home whenever possible.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».